基于稠密连接的通道混合式PCANet的低分辨率有遮挡人脸识别

针对低分辨率有遮挡人脸识别问题提出了基于稠密连接的通道混合式主成分分析网络(DCH-PCANet)。现有的PCANet模型的卷积层只使用了通道无关式卷积(CIC)。通道无关式卷积由于未考虑特征图在通道方向上的相关性,可以更好地凸显单个特征图的局部纹理特征,对于补偿因低分辨率、遮挡等因素导致的特征损失具有重要意义,但也会强化遮挡区域的特征,从而放大坏特征的影响范围;而通道相关式卷积(CDC)由于充分考虑了各特征图在通道方向上的相关性,可以较好地抑制坏特征的作用,形成较为稀疏的特征图。在PCANet中添加了基于通道相关式卷积的特征图提取分支,形成了通道混合式PCANet;并且引入了稠密连接,以充分利用低阶特征提升有遮挡图像识别的鲁棒性。针对如下4种数据集进行了实验:受控环境、真实遮挡和模拟低分辨率的人脸数据集(AR人脸数据集),非受控环境、真实遮挡和模拟低分辨率的人脸数据集(MFR2和PKUMasked-Face),非受控环境、真实遮挡和真实低分辨率的人脸数据集(自建数据集)。实验结果表明,与现有方法相比,所提出的基于稠密连接的通道混合式PCANet具更好的遮挡鲁棒性和低分辨率鲁棒性,可以作为前沿方法的有效补充,提升其识别性能。

融合PVT多级特征的口罩人脸识别研究

呼吸系统疾病的流行使口罩扮演着重要角色,这给人脸识别算法带来了新的挑战。受到多尺度特征融合模型的启发,提出一种基于金字塔视觉Transformer(Pyramid Vision Transformer,PVT)的提取口罩人脸特征的模型。该模型引入自注意力机制来提取丰富的人脸信息,通过融合PVT多个层级的特征向量,来实现对口罩人脸的多尺度关注,相较于传统特征融合模型,具有更高的识别精度和更少的参数量。此外,模型采用Sub-center ArcFace损失函数来提升鲁棒性。模型在大规模模拟口罩人脸数据集上进行训练,并分别在普通人脸、模拟口罩人脸和真实口罩人脸数据集上进行了测试和评估。实验结果表明,所提出的方法与其他主流方法相比,具有较高的识别精度,是一种有效的口罩人脸识别方法。

基于分割和多级掩膜学习的遮挡人脸识别方法

现有的人脸识别方法无法有效消除遮挡造成的损坏特征的影响,随着网络层数加深,损坏特征与用于身份分类的有效特征变得难以分离,影响识别结果。针对上述问题,设计了一种基于分割和多级掩膜学习策略的遮挡人脸识别方法,模型由遮挡检测分割、特征提取、掩膜学习单元三大模块构成,无需依赖额外的遮挡检测器,且无论训练还是测试都只需要一次端到端的过程即可同时学习特征掩膜和深度抗遮挡特征。掩膜学习单元以不同尺寸的遮挡分割表示和不同阶段的人脸特征为输入,为特征提取的不同阶段生成对应的掩膜,通过掩膜运算在特征提取的各阶段有效消除遮挡造成的损坏特征的影响,最终构建特征金字塔融合各阶段特征进行身份分类。实验结果表明该方法可有效提高遮挡人脸识别的准确率,在经过遮挡处理的LFW数据集以及真实的口罩遮挡数据集MFR2、Mask_whn上的准确率分别达到了98.77%、96.70%、81.53%,与现有的主流方法相比分别提升了2.04、0.48、4.44个百分点。

基于对比学习的多特征融合戴口罩人脸识别

随着计算机视觉技术应用的发展和智能终端的普及,口罩遮挡人脸识别已成为人物身份信息识别的重要部分。口罩的大面积遮挡对人脸特征的学习带来极大挑战。针对戴口罩人脸特征学习困难这一问题,提出了一种基于对比学习的多特征融合口罩遮挡人脸识别算法,该算法改进了传统的基于三元组关系的人脸特征向量学习损失函数,提出了基于多实例关系的损失函数,充分挖掘戴口罩人脸和完整人脸多个正负样本之间的同模态内和跨模态间的关联关系,学习人脸中具有高区分度的能力的特征,同时结合人脸眉眼等局部特征和轮廓等全局特征,学习口罩遮挡人脸的有效特征向量表示。在真实的戴口罩人脸数据集和生成的戴口罩人脸数据上与基准算法进行了比较,实验结果表明所提算法相比传统的基于三元组损失函数和特征融合算法具有更高的识别准确率。

基于图像深度先验和鲁棒马尔可夫随机场的有遮挡人脸识别

由遮挡所引发的测试数据和训练数据之间的差异,是人脸识别技术面临的重要挑战。现有的基于深度神经网络的有遮挡人脸识别方法大多需要使用大规模的有遮挡的人脸图像来训练网络模型。然而,现实世界中的任何外界物体都有可能成为遮挡,有限的训练集数据很难穷尽所有的可能性,并且使用大规模的有遮挡人脸图像训练网络模型的做法与人类视觉机制是相违背的,人眼对于遮挡区域的感知在本质上与遮挡本身并没有关系,仅依赖于无遮挡的人脸图像。为了模拟人类视觉的遮挡检测机制,将图像深度先验和鲁棒马尔可夫随机场模型结合起来,构建基于小样本数据的遮挡检测模型DIP-rMRF,并提出了一致性零填充方法以有效利用DIP-rMRF的遮挡检测结果进行后续的人脸识别。在Extended Yale B,AR和LFW这3个人脸数据库上,针对VGGFace, LCNN,PCANet, SphereFace, InterpretFR,FROM这6种CNN模型的实验结果表明,DIP-rMRF能够有效地处理遮挡以及由极端光照所引发的“类遮挡”,从而极大提升现有的深度神经网络模型对有遮挡人脸识别的性能。

基于改进SRC的局部遮挡人脸识别方法

针对现实场景中人脸存在较为随机的局部遮挡的情形,创建了多种遮挡类型并存的过完备字典,并提出改进的稀疏表示分类方法。此算法在稀疏表示分类(Sparse Representation Based Classification,SRC)的基础上引入噪声补偿,通过对测试图像与去噪图像间噪声差的调节来控制重构图像的生成,进而实现对重构图像与测试图像间残差的控制,以达到准确分类识别的效果。实验结果表明,改进后的算法稳定性好、识别率高,对于局部遮挡图像的识别有较好的鲁棒性。

部分遮挡人脸识别在门禁管理中的应用

近年来,由于新冠疫情等公共卫生事件的影响,佩戴口罩成了日常生活的新常态,这也给传统的人脸识别技术带来了巨大挑战。在高校实验室等特殊场景下,由于实验环境的敏感性和安全要求,有必要对实验人员进行身份识别和行为监控,因此亟需一种能够在口罩遮挡情况下准确识别人脸的解决方案。本文设计了一种基于MTCNN和改进FaceNet的佩戴口罩人脸识别系统,并将其应用于高校实验室场景。人脸识别结果将被传回客户端,同时系统还会在Kurento服务器中存储一段时间的视频片段,可以有效支持实验室安全管理和行为审计。

基于深度特征抑制的遮挡人脸识别网络

人脸识别技术是公安侦查中人证核验的关键技术之一。尽管现有算法在无遮挡人脸识别上都能达到较高的识别精度,但当人脸被遮挡时,使得有效的人脸特征丢失,导致识别精度大幅下降。针对上述问题,提出一种基于深度特征抑制的遮挡人脸识别网络,通过遮挡人脸自适应地生成特征掩码,利用特征掩码抑制深层特征图中因遮挡损坏的特征,最后根据抑制后的特征完成人脸识别。为了提升抑制后特征的辨别力,在训练环节通过孪生网络结构将遮挡人脸与对应无遮挡人脸的深度特征进行度量学习。同时利用不同层次的特征信息,构建特征金字塔网络(FPN)和自适应特征融合模块对人脸的多尺度特征信息进行提取,对其中包含特征信息较多的特征层赋予更大的融合权重,从而增强特征的表征能力。实验结果表明,该方法具有较好的鲁棒性,其中在LFW数据集和LFW口罩遮挡数据集上的准确率分别达到了99.50%和98.42%,在AR数据集4个实验设置上的准确率分别达到了100%、100%、99.86%和99.02%,优于目前的主流算法。

基于损失函数优化神经网络模型的面罩遮挡人脸识别算法

矿井人脸信息识别是矿井人员管理、安全生产的重要环节和保障措施,但矿井的特殊环境可能会出现面部遮挡或不清等情况,尤其是在煤矿井下多粉尘等区域,面罩往往被普遍使用,这些都会增加人脸识别的难度。为了能够对面罩遮挡状态下的人脸图像进行准确识别,提出了一种基于损失函数优化神经网络模型的面罩遮挡人脸识别算法。通过基于人脸关键点检测的面罩遮挡人脸生成算法将常规人脸数据集扩充为面罩遮挡人脸数据集,缓解煤矿面罩遮挡人脸数据不足的问题。根据面罩遮挡人脸图像的特点使用损失函数进行模型训练,使用更优的损失函数代替三元组损失,同时添加注意力机制使模型更加关注于未被遮挡的区域,使模型能更好地提取面罩遮挡状态下的人脸特征。通过大量实验证明,基于损失函数优化神经网络模型的面罩遮挡人脸识别算法不仅在提取人脸特征时更加关注于未被面罩遮挡的上半部分区域,而且在面对噪声时有较强的鲁棒性,在MFR2数据集中采用该算法将原始网络的准确率由84.3%提高到了98.5%,相较于其他方法具有较高的识别准确率,能够在面罩遮挡状态下完成人脸识别任务。

FaceFormer:基于Transformer的口罩人脸识别研究

近年来,人脸识别技术发展迅猛,在公共安全、金融、智能门禁等领域的应用呈现井喷式的增长趋势。然而,人脸识别技术的识别精度仍然面临挑战。传统的人脸识别技术易受光照、角度、遮挡物等因素影响,识别准确性较低,且当前大多数人脸识别场景尚不支持戴口罩情况下的人脸识别。为解决上述问题,本文提出了一种名为Face Former的深度学习架构,以用于口罩人脸识别。Face Former将人脸图像切割并嵌入为向量作为深度学习网络的输入,增强了对局部特征的学习能力。同时,采用Transformer结构,进一步增强了对全局特征的学习效果。实验结果表明,Face Former在多个数据集中均取得了较好的预测结果,充分验证了其在不同应用场景下的广泛适用性和鲁棒性。

基于Vit的口罩遮挡人脸识别方法

常态化疫情防控形势下,公共场所下的普通人脸识别需要摘下口罩会带来暴露风险,本文提出一种基于Vision Transformer框架和卷积神经网络结合的口罩遮蔽人脸识别算法。为提高口罩遮蔽人脸识别的准确度和识别速度,对vit算法部分进行改进,实现特征提取。实验表明,改进的模型识别速度更快,准确更度高,在公开数据集RMFD最高达到95.35%的准确率,可以用于实际的口罩遮蔽人脸识别。

提高口罩遮挡人脸识别准确度的研究

人脸识别目前应用于多个领域,受控性人脸识别现在有很高的准确度,超过人眼的97.35%,但由于新冠疫情的肆虐,导致大部分人在疫情期间外出都会佩戴口罩,导致识别的准确度降低。因此如何消除口罩遮挡对人脸识别产生的影响,从而提升口罩遮挡人脸识别准确度方面还有很大的研究空间。本文通过提取出未遮挡部分,对未遮挡部分hog特征提取并对提取的特征进行pca降维,通过对嘴巴检测判断是否佩戴口罩,另外加入canny边缘检测作为参考决策。

基于改进Gabor算法的遮挡人脸智能识别方法

为提高有遮挡人脸的识别精度,提出基于改进Gabor算法的遮挡人脸智能识别方法。首先,对人脸图像动态范围压缩,并选择反锐化掩模滤波算法展开图像增强处理;其次,利用Gabor滤波器对信息保留较完整、亮度较高的半边脸进行特征提取;最后将提取到的Gabor特征输入到极限学习机中完成遮挡人脸的智能识别。实验结果表明,所提方法对处理遮挡人脸图像具有良好的效果,且其对人脸图像识别具有精准度高、识别时间短等优点。

基于口罩遮挡情况下的人脸识别算法研究

随着互联网技术的发展,人脸识别在人们日常生活中广泛应用,当前出入公共场所佩戴口罩已经成为了新常态。传统的人脸识别算法已经达到较高的准确度。在佩戴口罩的情况下,传统的人脸识别算法识别精度下降明显,改进了一种卷积神经网络并命名为ImproveFaceNet,用于人脸识别,主要是将注意力机制与卷积神经网络有效地结合,将目标识别的重点集中在口鼻及以上区域,降低了对人脸其他区域的依赖程度。经过对比实验可知,ImproveFaceNet可以有效地提高在口罩遮挡情况下的人脸识别精度。

基于小波变换和小波神经网络的3D遮挡人脸识别方法

提出一种基于小波变换和小波神经网络的3D遮挡人脸识别方法.首先,对待检测人脸的深度图像进行小波变换,计算各层小波变换系数与数据库中平均人脸深度图像的小波变换系数之间的距离,通过阈值分割得到遮挡区域的二值掩膜,进而得到人脸的遮挡区域;然后,对非遮挡区域提取小波变换系数,构建小波神经网络分类器,依据小波网络的人脸空间距离进行3D遮挡人脸识别.仿真实验表明,该文方法对3D人脸的有意遮挡和无意遮挡的鲁棒性强、识别性能好.

PCANet下的遮挡定位人脸识别算法

自然环境中的人脸图像大部分带有遮挡,这对于人脸识别一直是巨大的挑战,用于人脸识别的主流深度模型对于遮挡人脸图片并不具有特别好的识别性能。针对深度模型由于遮挡的存在以及遮挡位置不确定所导致的识别率下降的问题,提出一种结合深度学习和特征点遮挡检测的PCANet下的遮挡定位人脸识别算法。分类器用于关键点检测,使用PCANet深度学习模型进行特征提取,形成支持向量机(SVM)训练模型组。遮挡判别分类器定位遮挡,结合特征模型组完成有遮挡人脸识别任务,并且对于表情变化有很强的鲁棒性。实验结果表明,该算法对于常见遮挡类型取得了非常好的效果,对于大面积遮挡的极端类型也具有很高的识别率。

基于思维进化的机器学习的遮挡人脸识别

针对遮挡人脸的识别问题,提出了基于思维进化的机器学习(MEBML)与局部特征结合的方法。首先提出了LBP偏移特征组的提取方法,定义一种新的特征对比规则,根据遮挡人脸图像与无遮挡人脸图像的局部特征进行对比,记录对比相似度作为局部区域的得分。然后对所有局部区域进行趋同过程和异化过程的演化,得到无遮挡区域及遮挡物体区域。当无遮挡区域满足一定比例且分布集中时,应用该区域特征完成遮挡人脸条件下的人脸识别。实验结果表明:新方法的遮挡人脸识别准确率在92%以上,并具有较低的误识率。

面向多角度和口罩遮挡的加权人脸识别方法研究与实现

在深度学习迅速发展的背景下,人脸识别技术已取得了显著的进步。然而,在实际应用中,由于口罩的遮挡以及人脸角度的变化,人脸识别的精确度和实用性面临了新的挑战。目前对于口罩遮挡的人脸识别和人脸角度变化情况下的人脸识别主要是各自独立处理,尚未有完整解决这两个因素共同影响的多条件人脸识别问题的方法。因此,本文提出了一种新的加权人脸识别方法,该方法综合考虑了口罩遮挡和人脸角度变化的问题。该方法首先根据是否佩戴口罩将人脸识别问题进行分类,然后利用多种人脸识别模型进行识别。最后,该方法引入了一个基于头部转动角度的权重决定机制,以便在面部转动和口罩遮挡的情况下,更好地利用不同的识别模型。在处理多角度和口罩遮挡问题时,该方法的方法表现优于现有的人脸识别方法,为后疫情时代的人脸识别提供了新解决方案。

核协同表示在人脸识别的遮挡问题中的应用

人脸识别算法是一个特征提取和分类器设计的过程。针对人脸识别中的遮挡问题,提出一种基于核主成分分析(KPCA)和协同表示(CRC)相结合的人脸识别算法。提取特征时,利用KPCA提取人脸图像中利于判决的非线性结构特征,使得样本在保留了最有效判别信息的同时降低了特征维数。设计分类器时,考虑到样本之间的协同性,采用综合考虑样本之间信息的协同表示分类器进行分类识别。实验结果证明,该算法获得了很好的识别效果,效率也得到了提高。

基于尺度不变特征变换优化算法的带遮挡人脸识别

在带遮挡的人脸识别中,由于人脸图像呈现出较大差异性,使得特征关键点之间产生错误匹配,对人脸识别率造成很大影响。对基于尺度不变特征变换(SIFT)的人脸识别算法进行优化,提出一种全新的匹配策略,能够减少错误匹配的特征关键点对,并将其应用于带遮挡的人脸识别中。实验结果表明,该优化算法比以往的一些带遮挡人脸识别算法都具有更好的识别结果。